基于Stacking集成策略的阿尔茨海默病诊断模型研究

目的 针对阿尔茨海默病(AD)相关临床人群,包括认知正常(CN)、显著记忆障碍(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和AD进行多分类研究,以期实现AD计算机辅助诊断.方法 基于阿尔茨海默病神经影像学计划(ADNI)数据库中2 006例受试者(436例NC,261例SMC,323例EMCI,606例LMCI和380例AD),采用LASSO方法进行特征选择,SMOTE过采样方法处理类别不平衡问题,采用支持向量机、随机森林、逻辑回归和K近邻作为初级学习器,逻辑回归作为次级学习器,加权投票集成策略构建Stacking多分类诊断模型.结果 较于以上四种初级学习器,本研究构建的Stacking集成模型分类效果较好,稳定性高,在NCvs非NC,SMC vs非SMC,EMCIvs非EMCI和LMCI vs AD之间分类准确率、召回率、F1 Score均值均在92％以上,AUC均值均在0.97以上.结论 本研究构建的AD多分类Stacking集成策略,具有较好的分类性能,可科学指导AD的预防与控制,为临床医生提供自动化的AD临床辅助诊断.